Desenvolvimento com IA e Programação: Crie Apps

No dev indie, muita gente trava no "consegui construir, mas como ganhar e por quanto precificar". Este artigo reúne, na visão do desenvolvedor solo, como escolher o modelo de monetização (grátis / pagamento único / assinatura / freemium / anúncios / doação), o desenho de preço baseado em valor — que parte do "valor que o cliente obtém", não do custo nem do concorrente — os 3 níveis grátis→Pro→Business e o padrão do desconto anual, como conquistar o primeiro usuário pagante e, ainda, a viabilidade incluindo custos de IA como os tokens de API. É um aprofundamento da fase de crescer da nave-mãe "Roteiro de desenvolvimento indie com IA".

A maior causa de um dev indie nunca terminar é "construir demais". Enchendo de recursos, tudo fica complexo e o produto some sem ser publicado. O único jeito de evitar isso é reduzir a 1 função o MVP — o menor produto que comunica valor — e publicá-lo no menor tempo. Este artigo explica, na visão do desenvolvedor indie que faz da IA sua parceira, a forma correta de encarar o MVP, o julgamento de escopo para cortar funções, as 2 rotas para construir rápido com IA (vibe coding sem escrever código / a prática de escrever num editor de IA), saber quando está "pronto" e como publicar e fazer 1 pessoa usar.

Agora que a IA ganhou "mãos para escrever código", chegou a era em que uma só pessoa cria um produto e o lança ao mundo. Mas a informação está espalhada por etapa e é fácil se perder sem saber por onde começar. Este artigo é o mapa completo (roteiro) que vai da ideia → design → implementação → lançamento → monetização, organizando o desenvolvimento solo em 5 fases (decidir → preparar → construir → publicar → crescer), mostrando o que fazer e qual ferramenta usar em cada etapa e enviando a guias específicos quando é preciso aprofundar — é um artigo nave-mãe (hub). Melhor ainda, guia por 2 rotas: a 🌱 iniciante, em que você quase não escreve código, e a 🔧 prática, em que escreve código num editor de IA; seguindo a que combina com você, chega ao "algo que funciona" sem dar voltas. Reúne numa só página, com atalhos para os guias práticos existentes, desde spec-driven, construtores de app com IA, Claude Code/Cursor e a integração de recursos de IA (API/RAG/gateway) até deploy, aquisição por SEO/AEO, monetização, gestão de custos e os 5 tropeços do desenvolvimento solo com IA.

Você atingiu o limite semanal de tokens do Claude Code, mas a cota foi totalmente reabastecida antes de passarem sete dias — mais de uma vez. Na internet há até textos sobre um "mecanismo secreto" alegando que o limite semanal reseta a cada 72 horas. Isso é verdade? Este artigo rastreia o fenômeno até as fontes primárias. Mas a Anthropic não documentou o mecanismo interno de reset, e os limites seguem mudando, então rotulamos claramente três tipos de informação: fatos verificáveis em fontes oficiais, eventos que vários usuários observam de forma reproduzível mas sobre os quais a Anthropic nunca se pronunciou, e especulação de fonte única, não confirmada. O ponto central: a recuperação total antecipada é, na maioria dos casos, os resets globais irregulares da Anthropic (anunciados repetidamente pela @ClaudeDevs); o horário de reset exibido também é comprovadamente instável; e a "cadência de 72 horas" que circula vem de um único observador, sem replicação e contradita por outra observação (24h), então não pode ser tomada como fato. Desde setembro de 2026 existe também uma nova forma: um reset que você recebe e usa quando quiser ("Reset for free" em Settings > Usage, na web ou no Claude Desktop; o Claude Code no terminal não tem esse botão). Quando algo não pode ser afirmado, nós dizemos isso — uma investigação atualizada em setembro de 2026.

Você construiu sobre a OpenAI, depois quis testar o Claude e comparar o Gemini — e perdeu horas com os SDKs, formatos e tratamentos de erro diferentes por provedor. Um LLM gateway (AI gateway / LLM proxy) é um relay que você encaixa entre a sua aplicação e os provedores: ele expõe uma única API compatível com OpenAI para alcançar todos os modelos e assume as tarefas transversais — fallback, controle de custos, chaves virtuais, cache, rate limiting e observabilidade. Este guia cobre por que você precisa de um, o que um gateway realmente é, os três tipos (proxy self-hosted = LiteLLM / hospedado = OpenRouter / SDK = Vercel AI SDK), como escolher entre LiteLLM, OpenRouter e o Vercel AI SDK, o código de configuração mínima que só troca o endpoint, e os limites — um salto de latência, o gateway como novo ponto de falha, taxas (o OpenRouter cobra 5,5% sobre compras), perda de recursos e privacidade.

Depois de construir um agente de IA, você sempre esbarra no mesmo muro: "Certo, mas será que funciona de verdade?" O mecanismo que decide se uma mudança de prompt ou modelo deixou as coisas melhores ou piores com dados em vez de intuição são os evals. LLMs produzem uma saída diferente a cada vez para a mesma entrada, então testes unitários de correspondência exata não se encaixam. Este artigo se concentra nos passos para criar e rodar evals na prática, cobrindo cinco formas de medir a qualidade (① correspondência com o gabarito ② verificações baseadas em regras ③ LLM-as-judge ④ teste de regressão ⑤ monitoramento em produção), avaliação específica de agentes (taxa de sucesso da tarefa, chamadas de ferramenta corretas, trajetória, custo), como começar pequeno a partir de 20 exemplos de falha, armadilhas comuns e ferramentas principais (Anthropic Console/Evals, OpenAI Evals, LangSmith, Langfuse, Ragas) — escrito para quem põe a mão na massa.

A eterna pergunta da automação: "agentes de IA ou RPA?" A resposta não é um ou outro — escolha pelo papel, e o padrão vencedor de 2026 é um híbrido dos dois. O RPA são "mãos" determinísticas que executam um procedimento fixo de forma rápida e precisa (mas quebram quando a tela/especificação muda); um agente de IA é um "cérebro" probabilístico que lê a situação e decide (forte diante de ambiguidade e exceções, mas não idêntico a cada vez). Este artigo cobre a diferença de princípio de funcionamento, uma tabela comparativa (o trade-off entre reprodutibilidade e resistência à mudança), como escolher (o eixo é "dá para escrever tudo como regras?" — sim → RPA, julgamento que você não consegue escrever → agente de IA), a tendência de 2026 (os líderes de RPA UiPath, Automation Anywhere, Blue Prism tornando-se agênticos — convergência; a pergunta já não é "qual dos dois", mas "onde deve morar o raciocínio" = orquestração primeiro) e a resposta prática: um híbrido em que o cérebro (agente de IA) cuida do julgamento/orquestração e as mãos (RPA) executam a parte determinística — não coloque um agente onde se exige determinismo e combine o julgamento delegado com guardrails e aprovação humana. Com base nas informações oficiais dos fornecedores, com um FAQ.

O Claude Fable 5 e o Opus 5 são ambos de topo, mas a resposta não é nem "sempre o Fable 5" nem "sempre o Opus 5" — escolha pela tarefa. E a chegada do Opus 5 em 24 de julho de 2026 mudou bastante essa resposta: a geração anterior, o Opus 4.8, era "um degrau abaixo do Fable 5, mas pela metade do preço", enquanto o Opus 5 mantém o mesmo preço de $5 / $25 e ainda empata ou supera o Fable 5 nos benchmarks agênticos (Frontier-Bench 43,3% vs 33,7% e OSWorld 2.0 70,6% vs 66,1%, ambos da tabela comparativa da Anthropic; no CursorBench 3.2 a Anthropic afirma que ele fica a menos de 0,5% do Fable 5 por cerca de metade do custo). Onde a diferença é pequena, a ordem depende da tabela: no DeepSWE v1.1, o Fable 5 vence por 69,7% vs 68,8% na da Anthropic e o Opus 5 vence por 73,7% vs 69,9% na da OpenAI. As especificações coincidem na janela de contexto de 1M e na saída máxima de 128K; o modo rápido (cerca de 2,5x) é exclusivo do Opus 5, mas custa 2x e só funciona na API da Claude, e o Opus 5 traz o corte de conhecimento mais recente, de maio de 2026. O fluxo de decisão: teste primeiro o Opus 5 e escale para o Fable 5 apenas onde ele estaciona. Na prática, "Opus 5 como base, Fable 5 para as partes difíceis" é o ideal, apoiado pela troca automática do aplicativo em bloqueios de segurança e pelo novo modo "default" de fallback da API. Cobre disponibilidade (suspensão em junho, reimplantação em julho), como evitar a dependência de um único modelo, ajuste de effort para custo e um FAQ — ligando o cluster do Fable 5 ao guia de lançamento do Opus 5.

O primeiro obstáculo ao colocar um agente de IA em trabalho real é "em qual framework construí-lo". Da ótica do desenvolvedor e de quem seleciona a tecnologia, este artigo compara seis frameworks principais — LangGraph, CrewAI, AutoGen (integrado ao Microsoft Agent Framework, GA em abril de 2026), OpenAI Agents SDK, Google ADK e Claude Agent SDK — por abordagem de orquestração (grafo dirigido / crew baseada em papéis / GroupChat conversacional / handoffs / árvore hierárquica / laço autônomo de ferramentas), linguagem, curva de aprendizado, controle, maturidade em produção, custo de tokens e caso de uso ideal. A ressalva central: o framework "mais rápido de prototipar" (CrewAI) pode ser o mais caro em produção — cerca de 3× os tokens (41k contra 18,5k do LangGraph em um benchmark) e não determinístico, o que o torna inadequado para finanças e saúde. Também explica como 2026 trouxe interoperabilidade via MCP (ferramentas) e A2A (agente a agente), de modo que agentes de frameworks diferentes agora trabalham juntos e o lock-in diminuiu. Inclui um guia de seleção por caso de uso e FAQ.

O Ollama é a ferramenta de referência para começar com LLMs locais: ele cuida de quase toda a configuração trabalhosa para que você baixe um modelo e converse com um único comando. Este guia para iniciantes percorre tudo do começo ao fim — instalação no Windows, Mac e Linux, os comandos essenciais, como obter e escolher modelos pelo tamanho e pela VRAM, usar uma GUI como o Open WebUI, integrar a API local (inclusive a compatível com OpenAI) aos seus próprios apps, personalizar com Modelfile e variáveis de ambiente, além de soluções para os problemas mais comuns.

Um guia prático para escolher qual modelo de LLM local instalar em 2026, organizado por desenvolvedor, país de origem, caso de uso, tamanho e licença. Cobre as principais famílias (Qwen, Llama, Gemma, DeepSeek, Mistral, Phi, GLM) e destaca modelos focados em português e regionais — Sabiá e Tucano (Brasil), Albertina e Gervásio (Portugal) —, além de modelos multilíngues fortes bem ajustados ao português, com recomendações por VRAM e alertas de licenciamento para uso comercial.

Quer rodar um LLM local mas não sabe se o seu PC dá conta? Cerca de 90% da especificação se resume à VRAM (a memória da GPU). Este guia traz uma tabela rápida de VRAM por tamanho de modelo, uma fórmula simples, a armadilha do cache KV que cresce com o contexto, velocidades realistas por GPU e Mac, e três níveis de configuração por orçamento. Com o jargão ao mínimo, até iniciantes descobrem qual hardware comprar.